Dozent:
Prof. Dr. Christian Maier

Tutor:
Dr. Jens Mattke

Otto-Friedrich-Universität Bamberg
Fakultät Wirtschaftsinformatik und Angewandte Informatik
Lehrstuhl für Wirtschaftsinformatik, insb. Health and Society in the Digital Age
https://www.uni-bamberg.de/en/ishands/

Turnus & Dauer:
Wintersemester / 1 Semester

Einordnung:
Modelle und Methoden zur Entscheidungsunterstützung

Sprache:
Englische Unterlagen / Kommunikation in Deutsch

Dieses Modul steht exklusiv den Studierenden des VAWi-Studiengangs zur Verfügung.

Lehr- & Medienformen

Für dieses Modul steht eine internetbasierte Lernumgebung für die Durchführung der Lehr-/Lernprozesse und der Lernunterstützungsprozesse zur Verfügung. Dabei erfolgt die Betreuung der Studierenden durch die Lehrenden über asynchrone (Foren, E-Mail) und synchrone (Chat, Telefon, Online-Konferenzen) Kommunikationswerkzeuge. Diese stehen auch für die Kommunikation der Studierenden untereinander zur Verfügung.

Die Studierenden werden beim Wissenserwerb sowie zum Aufbau von Fertigkeiten und Kompetenzen durch folgende elektronische Selbstlernmedien unterstützt: Erweiterte Foliensätze, ergänzende Literatur, Verweis auf Referenzliteratur, interaktive Onlinekurse (Python)

Zudem wird der Aufbau von Fertigkeiten und Kompetenzen insbesondere gefördert durch:

* Audio- und/oder Videoinhalte, 
* interaktive Onlinekurse und Case-Studies zu Python,
* Mobile Learning Angebote

Es werden praxisbezogene Aufgaben gestellt, die mit Hilfe der erlernten Methoden und Theorien gelöst werden sollen.

Arbeitsaufwand:
135-150 h: Selbststudium, Aufgabenbearbeitung & Abschlussprüfung

ECTS-Credits:
5

Zuordnung:
5 % Wirtschaftswissenschaften
50 % Informatik
40 % Kerngebiete der Wirtschaftsinformatik
5 % Allg. Grundlagen & Schlüsselqualifikationen

Voraussetzungen

Grundkentnisse von Datenanalyse und Programmierkentnisse sind wünschenswert (z.B.im Umfang des Kurses "Data Analytics mit Python") oder müssten anfangs angeeignet werden.

Angestrebte Lernergebnisse

Data Science und Machine Learning sind zentrale und zukunftsträchtige Schlagwörter für IT Fachkräfte. Der Fokus des Kurses handelt über maschinellen Lernen und ist der zentrale Teilbereich der künstlichen Intelligenz. Sie lernen, den Computer in einen selbstlernenden Modus ohne explizite Programmierung zu versetzen. Über immer mehr und neue Daten lernt, verändert und entwickelt sich dieser Computer von selbst. Obwohl das Konzept des maschinellen Lernens gibt es schon seit einiger Zeit, doch die Fähigkeit, mathematische Berechnungen automatisch und schnell auf große Datenmengen anzuwenden wird immer wichtiger (z.B. selbstfahrende Autos [Google];Recommendersysteme und Empfehlungen [Amazon, Facebook]; Identifikation von Betrug im Internet oder Spam bei Emails).

Das Modul Data Science und Machine Learning bietet einen breiten Überblick über Methoden und Werkzeuge eines „Data Scientists“ und legt einen besonderen Fokus auf die praktische Anwendung von Machine Learning mit Python. Zusätzlich lernen Studierende gewonnene Erkenntnisse von Machine Learnings zu interpretieren und kritisch mit Fragen rund um Machine Learning umzugehen.

Studierende des Moduls …

• lernen einen Überblick über klassische Methoden im Data Science und können diese kritisch hinterfragen
• diskutieren die Herausforderungen und Bedeutung von Data Science 
• lernen die Programmiersprache Python für Machine Learning, so dass ein selbständiges Arbeiten möglich ist
• führen mit Hilfe von Python Machine Learning durch
• verstehen die Grundkonzepte des Machine Learning (supervised / unsupervised learning) und wenden diese mithilfe von Python an
• wenden gelerntes Wissen in Fallstudien an

Studienempfehlungen

Das Modul bietet durch die interaktive Lernumgebung einen einfachen Einstieg in Programmierung und Datenanalyse mit Python. Studierende sollte jedoch Grundkentnisse im Programmieren (vorzugsweise Python oder R) besitzen oder bereit sein diese sich anzueignen. Das Modul „Data Analytics mit Python“ im Sommersemester bietet alternative einen guten Einstieg in die Thematik.

Inhalte & Gliederung

Structure of the course lectures:

• Introduction to data science, big data and machine learning
• Supervised machine learning: classification
  
• Supervised machine learning: regression
• Advanced topics in supervised machine learning
• Ensemble Learning
  
• Unsupervised machine learning: cluster analysis

Practical exercises:

• Supervised learning with scikit-learn
  
• Linear classifiers in Python
• Feature engineering for machine learning
• Machine learning model validation
• Machine learning with tree-based models
• Extreme Gradient Boosting (XGBoost)
• Cluster Analysis in Python
  

Studien- & Prüfungsleistungen

• Hausarbeit [90 Punkte / 100 %]

Literatur

Eine Liste der relevanten Literatur wird jeweils aktuell im LMS veröffentlicht

Hinweise